2025年《人工智能导论》计算机专业模拟试题卷及答案

2025年《人工智能导论》计算机专业模拟试题卷及答案一、单项选择题（每题2分，共20分）1.在深度学习中，下列哪种技术最常用于缓解过拟合现象？A.增加网络深度B.减小学习率C.DropoutD.使用ReLU激活函数答案：C解析：Dropout通过随机“关闭”部分神经元，迫使网络学习更鲁棒的特征，从而有效降低过拟合。增加深度可能加剧过拟合；减小学习率仅影响收敛速度；ReLU是激活函数，与过拟合无直接因果关系。2.若某卷积层输入尺寸为32×32×3，采用64个5×5卷积核，步长为1，零填充为2，则输出特征图尺寸为：A.32×32×64B.28×28×64C.30×30×64D.34×34×64答案：A解析：输出尺寸公式为(N−F+2P)/S+1，代入得(32−5+4)/1+1=32；通道数等于卷积核数量64，故为32×32×64。3.在强化学习中，Qlearning更新公式Q(s,a)←Q(s,a)+α[r+γmax_{a′}Q(s′,a′)−Q(s,a)]中的γ通常称为：A.学习率B.折扣因子C.探索率D.奖励衰减系数答案：B解析：γ∈[0,1]用于衡量未来奖励的当前价值，越大表示越重视长期回报，官方术语为“折扣因子”。4.下列关于Transformer自注意力机制的描述，错误的是：A.查询向量Q与键向量K的点积决定权重B.缩放点积注意力需除以√d_kC.多头注意力可并行计算不同子空间信息D.自注意力无法捕捉序列位置信息，因此无需位置编码答案：D解析：自注意力本身对位置无感知，必须依赖位置编码（正弦或学习式）注入顺序信息，故D错误。5.在生成对抗网络（GAN）训练中，若判别器D过快收敛到0或1，会导致生成器G梯度消失，此现象称为：A.模式崩塌B.梯度爆炸C.饱和问题D.纳什失衡答案：C解析：D输出饱和后，G获得的梯度∇log(1−D(G(z)))趋近0，无法有效更新，称为饱和问题；模式崩塌指G只生成单一模式。6.使用BERT进行中文文本分类时，若标签空间为“体育、科技、财经”，则最终输出层通常采用：A.均方误差损失B.交叉熵损失C.合页损失D.负对数似然损失答案：B解析：多类分类任务使用Softmax+交叉熵损失，与负对数似然数学形式等价，但行业标准表述为交叉熵。7.在联邦学习框架中，客户端上传本地模型参数至服务器，服务器执行：A.平均聚合B.加权平均聚合C.FedAvg算法D.以上皆可答案：D解析：FedAvg即加权平均（按数据量加权），平均聚合是其特例，故D最全面。8.若某决策树采用基尼系数作为划分标准，则节点基尼系数越小表示：A.样本量越少B.类别分布越均衡C.类别分布越纯D.信息增益越大答案：C解析：基尼系数衡量不纯度，越小越纯；信息增益基于熵，与基尼无直接数值关系。9.在目标检测模型YOLOv5中，用于预测物体中心点坐标的激活函数是：A.SigmoidB.ReLUC.TanhD.Linear答案：A解析：中心点偏移需归一化到0~1，Sigmoid可将网络输出压缩至该区间；宽高采用指数激活确保正值。10.下列关于图神经网络（GNN）消息传递机制的描述，正确的是：A.节点特征仅在第一层传递B.边特征无法参与聚合C.消息函数必须可微D.图卷积网络（GCN）采用均值聚合答案：C解析：消息传递需端到端训练，消息函数必须可微；GCN实际为归一化加和，非简单均值；边特征可通过注意力权重等方式参与。二、多项选择题（每题3分，共15分；多选少选均不得分）11.以下哪些技术可直接用于解决梯度消失问题？A.残差连接B.LayerNormalizationC.L2正则化D.门控机制（如LSTM）答案：A、B、D解析：残差连接提供恒等映射捷径；LayerNorm稳定前向分布；LSTM用门控保留长期信息；L2正则仅抑制权重幅度，不直接缓解梯度消失。12.关于VisionTransformer（ViT），下列说法正确的是：A.将图像分块后线性投影为tokenB.完全摒弃卷积操作C.在小型数据集上通常优于CNND.需引入类别token（CLS）用于分类答案：A、B、D解析：ViT分块+线性投影，无卷积；CLStoken聚合全局信息；小型数据易过拟合，需大量数据或蒸馏预训练，故C错误。13.以下属于无监督学习算法的是：A.kmeansB.DBSCANC.PCAD.Apriori答案：A、B、C解析：Apriori为关联规则算法，虽无标签但属数据挖掘非机器学习主流分类；PCA降维、kmeans聚类、DBSCAN密度聚类均为无监督。14.在模型压缩技术中，哪些方法可能导致模型精度下降？A.知识蒸馏B.权重量化（INT8）C.通道剪枝D.权重共享答案：B、C、D解析：知识蒸馏通过教师指导学生，可保持甚至提升精度；量化、剪枝、共享均引入信息损失，可能下降。15.关于A搜索算法，下列描述正确的是：A.启发函数h(n)可允许高估B.若h(n)≡0，则退化为DijkstraC.保证找到最优解的条件是h(n)可采纳D.时间复杂度与启发函数质量相关答案：B、C、D解析：A要求h(n)不高于真实代价（可采纳），高估则失去最优性；h=0时仅g(n)起作用即Dijkstra；好的启发可大幅减少扩展节点。三、填空题（每空2分，共20分）16.在循环神经网络中，LSTM通过________门控制前一时刻细胞状态的遗忘程度，通过________门决定当前候选信息的更新比例。答案：遗忘（forget）、输入（input）解析：ft=σ(Wf·[ht−1,xt]+bf)控制遗忘；it=σ(Wi·[ht−1,xt]+bi)控制更新。17.若某卷积层采用深度可分离卷积（DepthwiseSeparableConvolution），则其计算量约为标准卷积的________分之一。答案：1/(N+1/κ^2)，其中N为输出通道数，κ为核尺寸；近似答“8～9”亦可。解析：深度卷积计算量DK·DK·M·DF·DF，点卷积1×1×M·N·DF·DF，总和≈标准卷积的1/N+1/DK^2，MobileNetv1中DK=3，N=512时约1/9。18.Transformer中，缩放点积注意力的输出维度与________向量的维度相同。答案：Value解析：Attention(Q,K,V)=softmax(QK^T/√d_k)V，输出维度由V的列数决定。19.在联邦学习场景下，若某客户端数据NonIID且采用FedProx算法，则其目标函数需增加________正则项，以限制本地模型与全局模型的________差异。答案：L2、参数解析：FedProx在本地损失后加(μ/2)||w−w_global||^2，抑制偏离。20.若使用F1score评估二分类模型，当精确率P=0.8，召回率R=0.5时，F1=________。答案：0.615（保留三位小数）解析：F1=2PR/(P+R)=2×0.8×0.5/1.3≈0.615。21.在深度强化学习算法DDPG中，策略网络被称为________网络，价值网络被称为________网络。答案：Actor、Critic解析：Actor输出确定性动作，Critic评估Q值。22.若某GAN采用Wasserstein损失，则判别器最后一层需去掉________激活函数，以输出实数值。答案：Sigmoid解析：WGAN判别器拟合Wasserstein距离，需无界输出，故去Sigmoid。23.在知识图谱嵌入模型TransE中，关系r被视为头实体h到尾实体t的________向量，得分函数为________。答案：平移、h+r≈t（或||h+r−t||）解析：TransE假设h+r≈t，得分||h+r−t||_L1/L2越小越合理。24.若使用混合精度训练（FP16+FP32），需动态调整损失缩放比例以防止________下溢。答案：梯度解析：FP16表示范围小，梯度易下溢，损失缩放可放大梯度回传后再缩放。25.在AutoML框架中，________算法通过早期停止与架构/超参数联合优化，可在有限GPU时间内发现高效CNN结构。答案：EfficientNeuralArchitectureSearch（ENAS）解析：ENAS采用参数共享与控制器RNN，显著降低搜索成本。四、判断题（每题1分，共10分；正确打“√”，错误打“×”）26.梯度下降法在凸优化问题上保证收敛到全局最优。答案：√解析：凸函数无局部极小，梯度下降满足条件下必达全局最优。27.使用ReLU激活的深层网络一定不会出现梯度消失。答案：×解析：ReLU在负半轴梯度为0，若初始化不当导致大量神经元死亡，仍会出现有效梯度消失。28.在BERT预训练中，MaskedLM任务随机遮蔽15%的token，其中80%用[MASK]、10%用随机token、10%不变。答案：√解析：为缓解预训练与微调不一致，采用该混合策略。29.kmeans算法对初始聚类中心敏感，可能陷入局部最优。答案：√解析：kmeans目标函数非凸，不同初始化得不同结果，常用kmeans++改进。30.图卷积网络（GCN）中，邻接矩阵自环（selfloop）的引入可降低节点自身特征在聚合时被稀释的问题。答案：√解析：自环使节点自身特征保留，聚合时权重归一化更稳定。31.在目标检测评估中，mAP@0.5表示IoU阈值为0.5时的平均精确率，数值越高模型定位越准确。答案：√解析：mAP@0.5仅考虑IoU≥0.5的预测，阈值固定，越高说明定位越准。32.使用批量归一化（BN）后，可完全取消Dropout而不会过拟合。答案：×解析：BN有一定正则效果，但无法完全替代Dropout，复杂网络仍需额外正则。33.在强化学习中，策略梯度方法可直接优化随机策略，适用于连续动作空间。答案：√解析：REINFORCE、PPO等策略梯度天然支持连续动作，无需离散化。34.模型剪枝中的“权重剪枝”与“结构化剪枝”在硬件加速方面效果等效。答案：×解析：权重剪枝产生稀疏矩阵，需专用稀疏库；结构化剪枝直接删除通道/滤波器，适配常规BLAS库，加速更易。35.在VisionTransformer中，位置编码采用二维正弦函数可更好保持图像空间结构。答案：√解析：相对一维，二维正弦编码保留xy位置关系，提升检测分割任务性能。五、简答题（每题8分，共24分）36.阐述BatchNormalization与LayerNormalization在计算维度上的差异，并说明为何Transformer选用后者。答案：(1)BN沿批量维度（N）计算均值方差，即对同一通道不同样本归一化；LN沿特征维度（C）计算，即对同一样本不同特征归一化。(2)Transformer输入为变长序列，批量维度可能为1（推理），BN统计量不稳定；此外，序列不同位置语义差异大，LN能针对单个样本内部特征做归一化，更稳定。(3)LN无批量依赖，适合在线学习与联邦场景；实验表明LN在文本任务收敛更快，精度更高。37.描述DDPG算法中经验回放（ExperienceReplay）与目标网络（TargetNetwork）的作用，并指出若移除二者之一会带来何种影响。答案：经验回放：存储(s,a,r,s′)四元组并随机采样，打破序列相关性，稳定训练，避免catastrophicforgetting。目标网络：延迟更新参数（软更新τ≪1），提供相对稳定的目标Q值，防止振荡。若移除经验回放：样本高度相关，训练方差大，Q网络发散，难以收敛。若移除目标网络：每次迭代目标Q值随Critic变化，形成“移动靶”，Q估计过度乐观，策略梯度噪声大，训练不稳定甚至发散。38.解释“模式崩塌（ModeCollapse）”在GAN中的表现形式，并列举两种缓解方法及原理。答案：表现形式：生成器G只输出少数或单一模式，多样性丧失，例如MNIST仅生成数字“1”，尽管真实数据含0–9。缓解方法：(1)minibatchdiscrimination：判别器D额外输入样本与批次内其他样本的相似度特征，迫使G生成彼此差异大的样本。(2)WGANGP：用Wasserstein距离替代JS散度，并添加梯度惩罚，使D提供光滑梯度，G获得有效信号覆盖全模式。原理：前者增加多样性约束；后者改善目标函数形状，避免梯度消失与饱和。六、计算与推导题（共31分）39.（10分）给定一个全连接层，输入x∈ℝ^d，权重W∈ℝ^{k×d}，偏置b∈ℝ^k，激活函数为ReLU。(1)写出前向传播公式y=ReLU(Wx+b)；(2)设损失L对y的梯度为g=∂L/∂y∈ℝ^k，推导∂L/∂W；(3)若d=512，k=1024，批量大小N=64，计算一次反向传播中W的梯度存储所需显存（字节），假设采用FP32。答案：(2)由链式法则，∂L/∂W=g·x^T，其中g为k×1，x为d×1，结果∂L/∂W为k×d。(3)梯度张量尺寸与W相同，即1024×512×4B=2097152B≈2MB。40.（10分）考虑一个二分类任务，正负样本比为1:9，总样本10000。模型预测结果如下：TP=800，FP=400，TN=8600，FN=200。(1)计算精确率P、召回率R、F1；(2)采用宏平均（Macroaverage）计算F1，并分析是否适合用准确率评估。答案：(1)P=TP/(TP+FP)=800/1200=0.667；R=TP/(TP+FN)=800/1000=0.8；F1=2PR/(P+R)=0.727。(2)宏平均需分别计算正负类：正类：P_pos=0.667，R_pos=0.8，F1_pos=0.727；负类：P_neg=TN/(TN+FN)=8600/8800=0.977，R_neg=TN/(TN+FP)=8600/9000=0.956，F1_neg=0.966；MacroF1=(0.727+0.966)/2=0.847。准确率Acc=(800+8600)/10000=0.94，虽高但掩盖正类识别不足，样本不平衡时应采用F1或AUC。41.（11分）给定一个简化的Transformer块，含一个多头注意力子层和一个前馈子层，均采用残差连接与LayerNorm。设输入序列长度L=100，隐层d=512，注意力头数h=8，前馈中间维度4d=2048。(1)计算一次前向传播中，多头注意力部分的浮点乘法次数；(2)若使用混合精度（FP16计算、FP32主副本），理论上峰值显存节省比例是多少？（忽略激活重计算与临时缓存）答案：(1)Q,K,V投影：3·L·d·d=3×100×512×512=78643200；注意力权重：QK^T为L×d·d×L→100×512·512×100，但可拆分为h=8头，每头d_k=64，实际计算量8·(100×64)·(64×100)=8×100×64×100=5120000；加权求和：权重·V为8·(100×100)·(100×64)=8×100×100×64=5120000；输出投影：L·d·d=100×512×512=26214400；总计≈78.6M+5.1M+5.1M+26.2M=115M次乘法。(2)主副本显存：参数+激活+梯度。参数部分：注意力4d^2+前馈8d^2=12×512^2≈3.15M参数，FP32占12.6MB；